La segmentación precisa de las regiones de lesiones de COVID-19 en imágenes de TC pulmonar ayuda a los médicos a analizar y diagnosticar las condiciones de los pacientes. Sin embargo, la morfología variable y los contornos borrosos de estas regiones hacen que esta tarea sea compleja y desafiante. Los métodos existentes que utilizan la arquitectura Transformer carecen de atención a las características locales, lo que conduce a la pérdida de información detallada en las regiones de lesiones pequeñas. Para abordar estos problemas, proponemos una red de fusión de características multiescala, ECF-Net, basada en el realce de canales. Específicamente, aprovechamos las capacidades de aprendizaje tanto de las arquitecturas CNN como de Transformer para diseñar bloques de extracción de canales paralelos de tres formas diferentes, capturando eficazmente diversas características de lesiones. Además, para minimizar la información irrelevante en el espacio de características de alta dimensión y enfocar la red en información útil y crítica, desarrollamos bloques de generación de características adaptativas. Por último, se introduce un enfoque de fusión de características estructurado en pirámide bidireccional para integrar características en diferentes niveles, mejorando la diversidad de representaciones de características y la precisión de segmentación para lesiones de varias escalas. El método propuesto se prueba en cuatro conjuntos de datos de COVID-19, demostrando valores de mIoU del 84.36%, 87.15%, 83.73% y 75.58%, respectivamente, superando varios métodos actuales de vanguardia y exhibiendo un excelente rendimiento de segmentación. Estos hallazgos proporcionan un sólido apoyo técnico para la segmentación de imágenes médicas en la práctica clínica.